@article { author = {صالحی, محمدحسن and mosleh, zohreh}, title = {Generalization of digital soil mapping results for prediction of soil classes (A Case Study: Shahrekord Plain, Chaharmahal-Va-Bakhtiari Province)}, journal = {Journal of Soil Management and Sustainable Production}, volume = {8}, number = {3}, pages = {129-138}, year = {2018}, publisher = {Gorgan University Of Agricultural Sciences}, issn = {2322-1267}, eissn = {2322-1275}, doi = {10.22069/ejsms.2018.14463.1796}, abstract = {Background and objectives: Digital soil mapping (DSM) predicts the soil variability based on the relationship between the soil classes and auxiliary information. Therefore, it is expected that if two regions have similar auxiliary information, the model developed to estimate soil variability for one of these regions could be generalized to the other. The aim of this study was to predict the soil classes up to great group level of Soil Taxonomy (ST) and Reference Soil Group (RSG) level of World Reference Base for the Soil Resources (WRB) across the area with little soil data (recipient site) on the basis of constructed model in area that has sufficient soil data (reference site) using DSM approaches in the Shahrekord plain of Chaharmahal-Va-Bakhtiari Province. Materials and methods: The reference and recipient sites are located in the Shahrekord region of Chaharmahal-Va-Bakhtiari Province. The Mahalanobis distance is used to determine the distance between the mean of the reference’s soil forming factors and the recipient’s soil forming factors (Mallavan et al. 2010). The reference site for this study was surveyed using digital soil mapping approaches at semi-detailed scale (i.e., raster maps with pixel size 50×50 m) up to family level by Mosleh (2016). Different machine learning algorithms consisting of artificial neural networks (ANNs), boosted regression tree (BRT), random forest (RF) and multinomial logistic regression (MLR) were considered for each soil taxonomic level to identify the relationship between soil classes and auxiliary information. Fifteen pedons were excavated at the recipient site with 750 m intervals. All the pedons were described and the soil samples were taken from different genetic horizons, air dried, crashed and passed through a 2 mm sieve. The soil samples were classified the soils according to the Soil Taxonomy (Soil Survey Staff 2014) and the WRB (IUSS Working Group WRB 2015) up to great group and Reference Soil Group levels, respectively. Results: The results showed that the Mahalanobis distance at the reference and recipient sites is equal. Therefore, the two studied sites are entirely similar and can be considered as Homosoil. Summary statistics of auxiliary information for the reference and recipient sites indicated that the difference between the mean of the reference’s soil forming factors and the recipient’s soil forming factors is negligible. Extrapolated models across the recipient site lead to similar results with the reference site. These results include: (i) no significant differences were observed between different models to predict soil classes based on the ST system; (ii) OA values showed a decreasing trend with increasing the taxonomic levels for all the studied models (Figure 3); (iii) the MLR model has the highest performance to predict the RSG. Conclusion: The results indicated that DSM could be used for prediction of the soil classes in the Homosoil framework (both sites have similar auxiliary information or soil forming factors). It is expected that the accuracy of predictions is accrued if there is a high agreement between the reference and the recipient sites in terms of the auxiliary information.}, keywords = {Auxiliary information,Mahalanobis distance,recipient and reference sites}, title_fa = {بررسی قابلیت تعمیم‌پذیری نتایج حاصل از مطالعات نقشه‌برداری رقومی به‌منظور پیش‌بینی کلاس‌های خاک (مطالعه‌ی موردی: دشت شهرکرد، استان چهارمحال و بختیاری)}, abstract_fa = {سابقه و هدف: در روش نقشه‌برداری رقومی، تغییرات خاک بر اساس ارتباط پارامترهای محیطی با کلاس‌ها یا ویژگی‌های خاک تعیین می‌گردد. بنابراین، اگر دو منطقه از نظر پارامترهای محیطی مشابه باشند این انتظار وجود دارد که مدل به‌دست آمده برای تخمین کلاس‌های خاک در یک منطقه، قابل تعمیم به منطقه‌ی دیگر نیز باشد. از این رو، در این پژوهش قابلیت تعمیم-پذیری نتایج حاصل از مطالعات نقشه‌برداری رقومی به مناطق مشابه برای پیش‌بینی کلاس‌های خاک بر مبنای دو سامانه‌ی رده-بندی آمریکایی و رده‌بندی جهانی بررسی شد. مواد و روش‌ها: در اراضی دشت شهرکرد استان چهارمحال و بختیاری دو منطقه به‌عنوان نمونه و تعمیم در نظر گرفته شد. در منطقه‌ی تعمیم، 15 خاک‌رخ با فواصل تقریبی 750 متر حفر، تشریح و نمونه‌برداری شدند و ویژگی‌های فیزیکی و شیمیایی آن‌ها تعیین گردیدند. سپس، رده‌بندی خاک‌رخ‌ها بر مبنای سامانه‌های رده‌بندی آمریکایی (تا سطح گروه بزرگ) و رده‌بندی جهانی (تا سطح گروه مرجع) نهایی گردید. با استفاده از فاصله ماهالانوبیس میزان شباهت خاک‌های دو منطقه‌ی مذکور تعیین گردید. سپس، مدل‌های توسعه‌یافته (درختان تصمیم‌گیری تصادفی، رگرسیون درختی توسعه‌یافته، رگرسیون لاجیستیک چند جمله‌ای و شبکه‌های عصبی مصنوعی) در منطقه‌ی نمونه، برای پیش‌بینی کلاس‌های خاک در منطقه‌ی تعمیم استفاده شدند. بر اساس پارامترهای محیطی انتخاب‌شده در منطقه‌ی نمونه، پارامترهای محیطی برای منطقه‌ی تعمیم نیز تهیه گردیدند. کلاس‌های خاک برای منطقه‌ی تعمیم بر اساس مدل‌های موجود، پیش‌بینی شدند و بر اساس شاخص صحت عمومی کارایی مدل‌ها ارزیابی گردید. یافته‌ها: نتایج نشان داد که بر اساس فاصله‌ی ماهالانوبیس مناطق نمونه و تعمیم کاملا مشابه می‌باشند. همچنین، نتایج حاکی از آن است که مشابهت بسیار بالای مناطق مورد مطالعه موجب شده است که در سطوح رده و زیررده بر مبنای سامانه رده‌بندی آمریکایی و سطح گروه مرجع در سامانه‌ی رده‌بندی جهانی، تخمین صحیحی برای منطقه‌ی تعمیم صورت پذیرد. از سوی دیگر، نتایج گویای آن است که مقادیر صحت عمومی برای پیش‌بینی کلاس‌های خاک با افزایش سطح رده بندی (رده به گروه بزرگ) در هر دو منطقه نمونه و تعمیم، کاهش نشان داد. نتیجه‌گیری: نتایج پژوهش حاکی از آن است که روش نقشه‌برداری رقومی توانایی پیش‌بینی کلاس‌های خاک در شرایط مشابه (مشابه از نظر پارامترهای محیطی و فاکتورهای خاک‌سازی) را دارا می‌باشد اگرچه، برای سطوح پایین رده‌بندی در پیش‌بینی و تعمیم پذیری نتایج، ممکن است از صحت کافی برخوردار نباشد. به‌نظر می‌رسد سطح و سامانه‌ی رده‌بندی مورد نظر، توزیع مکانی خاک‌ها، تراکم نمونه‌برداری و نوع پارامترهای محیطی مورد استفاده از مهم‌ترین عواملی می‌باشند که می‌توانند صحت پیش‌بینی کلاس‌های خاک در مناطق تعمیم را تحت تأثیر قرار ‌دهند.}, keywords_fa = {پارامترهای محیطی,فاصله‌‌ی ماهالانوبیس,مناطق تعمیم و نمونه}, url = {https://ejsms.gau.ac.ir/article_4291.html}, eprint = {https://ejsms.gau.ac.ir/article_4291_ccd76b68a18b32d53217e8ade97c5b0e.pdf} }